前 OpenAI CTO Mira Murati 在 Thinking Machines 成立近一年半后，终于公开发表了首篇深度文章。这篇题为《值得建设的未来是人类》的长文，与其说是一份公司宣言，不如说是一套完整的 AI 哲学体系。作为一家由多位前 OpenAI 核心成员（包括 John Schulman、Lilian Weng 等）联合创立的公司，Thinking Machines 此前一直保持低调，而 Murati 本人的技术路线也极少对外公开。如今，她给出了一个相当鲜明的主张：未来的 AI 世界不应只有一个统一的大模型，而应涌现出无数由个人和组织共同塑造的智能体。

这个方向，与 OpenAI、Anthropic 强调安全与 AGI 的路径形成了鲜明对比。Murati 在 X 上转发时写道：“人类价值观无法被平均，本地知识无法被集中。”真正美好的未来，将由无数在不同地方成长、由服务对象共同塑造、彼此存在分歧的 AI 组成。联合创始人 John Schulman 也补充了公司创立时的两个核心判断：人们应该拥有更多定制模型和研究模型的能力；即使 AI 越来越自主，人类与 AI 如何高效协作，仍有大量技术工作有待突破。

过去一年，AI 行业普遍在追逐“更大的模型、更强的 Agent、更高的自主性”，而 Thinking Machines 几乎反其道而行。文章的核心观点是：AI 最大的问题已经不是能力本身，而是谁来决定 AI 应该做什么。真正值得建设的未来，不是一个中心化的超级智能，而是一个由个人、企业和社区共同拥有、持续训练、持续塑造的 AI 生态。用原文的话说：“AI 应该帮助每一家组织形成自己的竞争优势，而不是抹平彼此之间的差异。”

A16z 合伙人 Anish Acharya 发帖称，“这是今年看到的最好文章”。金句频出，启发极大，值得仔细阅读原文。

以下为文章全文——

Thinking Machines 的使命

Thinking Machines 的使命，是构建能够延伸人类意志与判断力的 AI。

人工智能每天都在变得更加强大，但真正决定它应该做什么的，始终是人类——无论是个人、组织，还是整个社会。这样的决定并非来自一次性的设计，而来自长期积累的知识与判断。随着越来越多的工作开始由人与 AI 协同完成，塑造先进智能也将成为一个持续反馈、不断学习、反复校准的过程。

然而，今天的大多数 AI 并非如此。它们通常只在少数几个地方完成训练，随后便被冻结，面向所有人提供几乎相同的能力。它们很少真正受到使用者的影响，也几乎不会从人与 AI 的长期协作中持续学习。

我们相信，如果 AI 的目标是延伸人的能力，那么它本身也应该像人类社会一样丰富、多元、分布式，而不是由少数中心统一定义。这正是 Thinking Machines 所选择的方向。

为了实现这一目标，我们正围绕几个核心方向展开工作：

• 持续训练更强大的基础模型，推进多模态交互、可定制化等前沿能力。模型越强大，就越需要人的判断参与塑造。
• 构建人人都能拥有和定制 AI 的工具，包括直接训练模型权重（Model Weights）的能力，让模型真正服务于不同个体和组织。
• 开发更自然、更丰富的人机交互方式，让人的判断能够持续参与 AI 的工作过程，而不仅仅停留在一次 Prompt。
• 向科研社区公开研究成果。因为真正拥有塑造 AI 的能力，首先意味着理解 AI 是如何被构建出来的。

我们相信，一个值得建设的 AI 未来，应当始终以人为中心——由人的知识塑造，由人的意志引导，由人的判断决定。下面，我们将解释为什么这是我们所追求的未来，以及我们正在如何实现它。

把智能带到知识产生的地方

AI 的意义，在于服务人类的工作。而工作真正依赖的，并不仅仅是信息，而是关于如何做事、以及什么值得去做的知识。这些知识并不是静态存在的，而是在真实工作中不断产生、不断演化。

想象一位厨师正在设计一道新菜，或者一家小店老板重新调整商品陈列和价格。他们每天都在做大量复杂判断。这些经验往往无法完整写进文档，也不会永久保存在数据库中，而是在实践、反馈和修正中不断更新。

更重要的是，这些知识高度分散。不同餐厅有不同的经营方式，不同商店有不同的目标，不同企业拥有不同的经验。真正推动世界运转的知识，并不存在于某一个中央数据库，而是掌握在无数亲身实践的人手中。这种分散，并不是低效，而恰恰是整个社会创新能力的来源。它带来了多样性、适应能力和韧性。这也是为什么自由市场能够长期优于计划经济。中央计划之所以难以成功，并不是因为中央不够聪明，而是因为真正有价值的知识具有天然属性：它往往是默会的、本地化的、不断变化的，并且掌握在具体实践者手中。任何试图把这些知识集中起来，再交由一个统一智能处理的方式，都将面临同样的问题。

当然，也存在一些仅靠智能本身就足以取得突破的领域。例如国际象棋，最强大的棋类 AI 几乎完全依赖自我博弈训练；数学领域，最先进的模型已经开始独立解决长期悬而未决的问题。这些领域有两个共同特点：第一，目标明确且稳定，例如赢得一盘棋、证明一个定理；第二，它们几乎不存在隐藏知识。国际象棋和数学的规则对所有人都是公开且一致的。

但现实世界并不是这样。离开棋盘之后，仅有智能远远不够。如果 AI 想真正利用人类社会分散存在的知识，它自身也必须是分布式的。每一家企业，都拥有属于自己的专业知识；每一个组织，都通过员工的长期实践不断积累自己的经验。我们相信，AI 应该帮助组织不断沉淀和发展这些独特知识，而不是简单抽取其中一个快照，再用统一的标准模型替代它。

知识不是一次性提取出来的资产，而是持续培育的能力。因此，AI 应当成为人的合作伙伴，而不是人的替代者。2014 年，长期以自动化闻名的 Toyota 曾让经验最丰富的工匠重新回到生产线，目的并不是降低自动化水平，而是重新培养制造知识。负责这项改革的 Mitsuru Kawai 曾说：“要成为机器的主人，你必须拥有能够教会机器的知识与技能。”知识的创造，与智能的应用，并不是此消彼长，而是相互促进。

未来，人类工作的内容也许会发生变化，更专注于那些只有人才能完成的事情。但真正优秀的组织，一定会同时充分发挥人与 AI 各自的优势。AI 的使命，不是让所有组织变得一样，而是帮助每一个组织按照自己的方式变得更加卓越。

我们的目标，就是把智能带到知识真正产生和使用的地方。我们希望，每个人都能够利用自己的知识微调模型，并随着知识不断更新，让 AI 一起成长。我们也会持续公开研究成果和实践方法，让更多人拥有这种能力。我们所设想的前沿 AI，不是一个统一的大脑，而是一个由无数不同 AI 组成的共同体——它像它所服务的人类一样丰富、多元，因为它本就是由无数不同的人共同塑造出来的。

人类参与，本身就是一个技术问题

强调人的参与，并不意味着为了反对自动化而反对自动化。凡是机器能够稳定完成的工作，就应该交给机器。但机器也应该知道，什么时候独立行动，什么时候主动寻求人类监督与反馈。人与人协作，本来就是这样。优秀的同事会提前理解你的意图，在你开口之前就做好准备；随着长期合作，他们逐渐获得代表你行动的信任。让 AI 拥有这种协作能力，本质上是一个技术问题。

今天，大语言模型最大的瓶颈之一，是人与 AI 之间的沟通方式仍然过于简单：一个输入框，一段等待时间。这样的交互无法承载人类丰富的知识、经验和判断，也很难形成持续反馈。人与人最有效的合作，总是在实时发生。我们会打断彼此、修正观点、重新思考，也会一边表达、一边改变自己的判断。因此，我们长期押注于交互模型（Interaction Models）。我们希望模型能够原生支持实时、多模态交互，而不是依赖越来越复杂的外围系统。这样，交互能力就会随着模型智能一起成长。让模型更聪明的训练，也会让它成为更好的协作者。优秀的交互界面，不只是允许人参与，而是主动鼓励并放大人的参与。

另一个重要挑战，是如何重新定义 AI 的能力。今天，人们通常用模型能够独立完成软件任务的时间跨度来衡量 AI，例如 METR 等基准。这一指标仍然重要，但它最终衡量的只是 AI 单独能够做到什么。真正重要的问题应该是：人与 AI 一起，能够完成什么。这个答案，没有任何一家实验室能够独自给出。每一家组织，都必须根据自己的目标判断 AI 是否真正帮助他们提升判断力、创造新知识、实现长期价值。

从长期来看，让 AI 不断增强用户，而不是取代用户，也能够形成更加健康的商业激励。如果一家 AI 公司始终只提供一个统一模型，它天然会倾向于不断吸收用户之间的差异，并削弱专业知识本身的价值。而如果 AI 被设计成可以持续定制、持续协作，那么我们的成功，就来自客户不断放大自己的独特优势。真正的竞争力，不是租用一个 AI，把工作外包给它。而是拥有属于自己的 AI，并不断按照自己的目标塑造它。

去中心化的 Alignment

人类价值观，就像人类知识一样，天然分散在每一个人身上。然而今天，大多数 AI 的价值观、行为方式以及表达风格，却主要由少数几家公司决定。无论管理得多么完善，只要价值对齐集中在少数地方，它就不可避免成为一个权力中心。如果未来越来越多的重要工作都由 AI 独立完成，而人类参与越来越少，这种风险只会进一步放大。

企业、政府与社会之间的关系，最终都建立在人拥有创造能力这一基础之上。当一种力量已经不再依赖人类，它也可能逐渐失去理解和回应人类需求的动力，而更多地服务于自身的延续。即使出发点完全善意，在单一地点训练出来的模型，也不可避免会继承训练者的价值观，而不是每一个使用者自己的价值观。

今天，大多数 AI 实验室都利用上一代旗舰模型生成训练数据，再利用上一代模型提供奖励信号，训练下一代模型。于是，每一代模型都在不断复制上一代模型的偏好。所有人最终得到的，也越来越像同一种 AI。统一的 Alignment 规范，会削弱创造力、多样性，也会放缓真正的创新。正如自由市场和言论自由能够催生新的思想、产品和服务一样，AI 也需要多样化的发展路径，而不是不断趋于平均。

如果个人和组织希望 AI 真正体现自己的价值观，这些价值观最终必须进入模型本身，而不仅仅停留在 Prompt 层。与此同时，我们也清楚，能够深度塑造模型，就意味着同样拥有将其用于恶意目的的能力。1955 年，John von Neumann 曾写道：技术有益与有害的一面，“彼此靠得如此之近，以至于永远无法把狮子和羔羊彻底分开。”真正的安全，不来自一次性的规则，而来自持续不断的判断和责任。我们的目标，是让做出这些判断的人拥有更强大的工具，而不是剥夺他们拥有 AI 的权利。

人类文明的繁荣，来自无数独特个体之间持续不断的创造与碰撞。我们设想的 Alignment，不属于某一个模型，而属于一个丰富、多元的 AI 生态。这些 AI 在不同地方成长，由不同的人塑造，彼此竞争、彼此学习，也彼此保留差异。我们希望，这种独特性能够一直存在。

一个值得建设的未来

科技行业已经让机器学会了思考。但机器应该思考什么，始终应该由人类决定。什么值得追求，什么值得创造，我们有限的人生应该如何使用——这些答案，不应只有一种。我们的目标，不是替所有人给出统一答案，而是让每一个人都能够把自己的答案，真正融入前沿 AI 的发展之中。

今天 AI 的发展方向，越来越强调中心化与自主化。在这种路径下，人类参与似乎总意味着能力下降，拥有权似乎总意味着安全风险。我们并不接受这样的二元对立。在我们看来，这些都只是尚未解决的技术问题。

我们希望构建这样一种 AI：它因为鼓励人的参与而变得更加强大；组织因为能够持续塑造自己的 AI 而获得长期竞争优势；Alignment 来自一个由无数不同拥有者共同塑造的 AI 生态，而不是一个唯一正确的模型。这正是 Thinking Machines 希望解决的问题，也是我们的使命。

未来，并不是在人类主导与被 AI 淘汰之间二选一。通往未来的道路不止一条，而选择走哪一条，仍然掌握在人类自己手中。我们希望构建的技术，能够让人类与自己创造出的智能，并肩前行。